PyTorchKR Papers

최신 논문

총 3편
태그·기간 등 상세 필터

카테고리 탐색

arXiv:2503.08907v3cs.LG공식 코드 · Papers with Code

모델에서 실험으로: DYNASTY 실험 시설에 대한 얕은 순환 디코더 네트워크

From Models To Experiments: Shallow Recurrent Decoder Networks on the DYNASTY Experimental Facility

얕은 순환 디코더(Shallow Recurrent Decoder) 네트워크는 희소 관측을 고차원 모델 데이터와 결합하는, 상태 추정을 위해 최근 도입된 새로운 패러다임이다. 이 아키텍처는 표준 데이터 기반 방법에 비해 다음과 같은 중요한 장점을 지닌다. 즉, (무작위로 선택된 경우에도) 단 세 개의 센서만으로 물리 시스템의 전체 동역학을 재구성할 수 있고, 축소 기저로 생성된 압축 데이터로 학습할 수 있으며, (측정이 쉬운) 단일 장 변수를 측정하여 관측할 수 없는 결합된 시공간 장을 재구성할 수 있고, 하이퍼파라미터 조정이 최소한으로 필요하다. 이 접근법은 원자로를 포함한 여러 분야의 다양한 테스트 사례에서 검증되었으나, 현장에서 관측된 양을 활용한 실제 실험 시설에의 적용은 아직 이루어지지 않았다. 본 연구는 이러한 공백을 메우기 위해, 특히 순환 연료 원자로의 경우를 중심으로 4세대 응용을 위한 내부 가열 유체에 의해 형성되는 자연 순환을 연구하는, 밀라노 공과대학교(Politecnico di Milano)에 구축된 DYNASTY 시설에 얕은 순환 디코더 아키텍처를 적용하는 것을 목표로 한다. 고충실도 데이터를 생성하기 위해 RELAP5 코드를 사용하며, 시설에서 추출한 온도 측정값을 상태 추정의 입력으로 사용한다. 본 연구의 결과는 이 접근법이 정확한 상태 추정을 제공하는 능력을 보여줌으로써 공학 시스템에 대한 얕은 순환 디코더 아키텍처의 검증을 제공할 것이다.

arXiv:2503.08904v3cs.LG공식 코드 · Papers with Code

얕은 순환 디코더 네트워크를 활용한 순환 연료 원자로의 효율적인 매개변수 기반 상태 추정

Towards Efficient Parametric State Estimation in Circulating Fuel Reactors with Shallow Recurrent Decoder Networks

최근 데이터 기반 방법론의 발전은 공학 시스템의 정확한 상태 재구성을 제공하는 새로운 접근법의 토대를 마련했습니다. 특히 4세대(Generation-IV) 원자로와 같은 신기술의 경우, 관련된 강결합 물리 현상의 복잡성과 극도로 가혹하고 적대적인 환경으로 인해 원자로는 이러한 과제에서 특히 까다로운 적용 대상입니다. 데이터 기반 기법은 전산 대리 모델과 시스템의 국소적 노이즈 측정값을 포함한 다양한 정보 소스를 결합하여 상태를 강건하게 추정할 수 있습니다. 본 연구에서는 새로운 얕은 순환 디코더(Shallow Recurrent Decoder) 아키텍처를 활용하여, 단 3개의 노외 시계열 중성자속 측정값만으로 원자로의 전체 상태 벡터(중성자속, 전구물질 농도, 온도, 압력 및 속도 포함)를 추론(inference)합니다. 특히 본 논문은 매개변수화된 시계열 데이터를 처리할 수 있도록 표준 아키텍처를 확장하여, 다양한 사고 시나리오를 조사할 수 있도록 보장하고 여러 운전 조건에서 정확한 상태 추정을 제공하는 본 접근법의 성능을 보여줍니다. 본 논문에서는 액체 상태의 연료 특성으로 인해 중성자 물리학과 열수력학 간의 강한 결합이 특징인 4세대 원자로 개념인 용융염 고속로(MSFR, Molten Salt Fast Reactor)를 테스트 케이스로 고려합니다. 본 연구의 유망한 결과는 상당히 낮은 학습(training) 비용 덕분에 상태 추정과 관련된 불확실성을 정량화할 수 있다는 점에 의해 더욱 강화됩니다. 실시간으로 모든 특성 필드를 정확하게 재구성할 수 있어, 본 접근법은 원자로 디지털 트윈 프레임워크 내에서 모니터링 및 제어 목적에 적합합니다.

arXiv:2505.17740v2cs.LG공식 코드 · Papers with Code

혼돈 시계열 예측을 위한 텐서 네트워크 접근법

A tensor network approach for chaotic time series prediction

혼돈 시계열(chaotic time series)을 정확하게 예측하는 것은 복잡한 도전 과제입니다. 뉴로모픽(neuromorphic)에서 영감을 받은 접근법인 리저버 컴퓨팅(reservoir computing)은 이 작업을 위한 강력한 도구로 등장했습니다. 이는 광범위한 매개변수 튜닝 없이 동적 시스템(dynamical systems)의 메모리와 비선형성을 활용합니다. 그러나 리저버 아키텍처(reservoir architecture)를 선택하고 최적화하는 것은 여전히 미해결 문제입니다. 차세대 리저버 컴퓨팅(Next-generation reservoir computing)은 절단된 볼테라 급수(truncated Volterra series)에 기반한 비선형 벡터 자기회귀(nonlinear vector autoregression)를 사용하여 이 문제를 단순화함으로써 하이퍼파라미터 복잡성을 줄입니다. 그럼에도 불구하고 후자는 최대 단항식 차수(maximum monomial degree)에 따라 매개변수의 지수적 성장 문제를 겪습니다. 텐서 네트워크(tensor network)는 다차원 배열을 저차원 구조로 분해하여 차원의 저주(curse of dimensionality)를 완화함으로써 이 문제에 대한 유망한 해결책을 제공합니다. 본 논문은 혼돈 시계열 예측을 위해 기존에 제안된 텐서 네트워크 모델의 적용을 탐구하고, 기존 에코 상태 네트워크(echo state networks)와 비교하여 정확도와 계산 효율성 측면에서의 장점을 입증합니다. 최첨단(state-of-the-art) 텐서 네트워크 접근법을 활용함으로써 텐서 네트워크와 리저버 컴퓨팅 연구 커뮤니티 간의 격차를 해소하고, 두 분야의 발전을 촉진할 수 있습니다.